language:

• ru
• en license: apache-2.0 base_model: Qwen/Qwen3.5-2B library_name: llama.cpp pipeline_tag: text-generation inference: false tags:
• gguf
• iq4_nl
• qwen
• qwen3.5
• uncensored
• aggressive
• russian
• ru
• text-generation-inference
• quantized
• llama.cpp
• ggml
• chat model-index:
• name: Qwen3.5-2B-Uncensored-HauhauCS-Aggressive-IQ4_NL results:
  • task: type: text-generation name: Text Generation dataset: name: wiki.test type: wiki.test.raw metrics:
    • type: perplexity value: 20.134 name: PPL (wiki.test, ctx=64)
  • task: type: text-generation name: Text Generation dataset: name: hybrid_test_256 type: hybrid_test_256.raw metrics:
    • type: perplexity value: 10.585 name: PPL (hybrid_test_256, ctx=16384)

Qwen3.5-2B Uncensored Aggressive — IQ4_NL (любительская сборка)

Разлоченная и агрессивная 2B-модель, квантованная в формат IQ4_NL с двумя вариантами калибровки.
Цель эксперимента — показать, что даже на небольшом калибровочном наборе (1 МБ) IQ4_NL достигает своего качественного потолка, а дальнейшее увеличение данных не улучшает метрики.

🧠 Модели в репозитории

BF16 и Q4_K_M — позаимствованы у автора файнтюна, в репозиторий не включены.

🚀 Как использовать

llama-cli -m Qwen3.5-2B-Uncensored-HauhauCS-Aggressive-IQ4_NL_smart.gguf -ngl 99 -c 16384 

💡 Для русского языка добавьте системный промпт, явно указывающий, что модель — русскоязычный ассистент. Базовая модель англоцентрична, для свободного русского потребуется дообучение.

📊 Методика тестирования и результаты

Платформа: RTX 5070, llama-perplexity (llama.cpp) с -ngl 99, контексты от 64 до 32768 токенов.
Скорость вычисления PPL: ~2000 токенов/сек на матрице (для 2B модели).
Скорость генерации (инференс):

• BF16 (несжатый) — около 100 токенов/с
• IQ4_NL / Q4_K_M — около 200 токенов/с (ускорение в 2 раза)

Для сравнения, 9B модель с IQ3_XS на этой же карте даёт около 100 токенов/с, но значительно выигрывает по качеству знаний.
Данная 2B сборка — компромисс для экспериментов на слабом оборудовании и изучения влияния калибровки.

Графики и выводы

Основные наблюдения:

• IQ4_NL_smart и IQ4_NL_72mb показали практически идентичную перплексию на всех контекстах.
• Увеличение калибровочного объёма с 1 МБ до 72 МБ не дало статистически значимого улучшения.
• Даже когда калибровка 72 МБ покрывала 99.7% тестового набора hybrid_test_256, её PPL не стал ниже.
• Для 2B‑моделей достаточно ~243 тыс. токенов калибровки; дальнейшее наращивание объёма не имеет практического смысла.

🔬 Пересечение данных (MinHash)

Метод MinHash (5‑граммы) подтвердил отсутствие утечки на основном независимом тесте wiki.test.raw:

📂 Структура репозитория

• *.gguf — квантованные модели (только IQ4_NL_smart и IQ4_NL_72mb)
• Тест.sh — bash-скрипт для замера PPL
• ДопППЛ.py — извлечение поблочной PPL и построение графиков
• А1.py — интерактивный график PPL от длины контекста (Plotly)
• plot_bench.gp — gnuplot-версия общего графика
• MinHash.py — анализ пересечения датасетов
• context_scan_results.csv — итоговые значения PPL
• *.png — графики

Скрипты самодостаточны, могут быть переиспользованы.
Тестовые датасеты и логи не выложены из соображений размера — воспроизвести эксперимент можно по скриптам и собственным данным.

⚠️ Ограничения

• Модель имеет характер «Uncensored» и «Aggressive», возможен нежелательный контент.
• Русский язык присутствует, но ограничен, требуется дообучение для свободного владения.
• 2B параметров — компромисс между скоростью и глубиной знаний.
• Проверено только на RTX 5070 (Blackwell), другие карты должны поддерживать IQ4_NL (требуется актуальный llama.cpp).

🙏 Благодарности

Qwen, HauhauCS, сообществу llama.cpp, ikawrakow за IQ‑методы.

📧 Автор и поддержка

Nic22Of2003 – профиль на Hugging Face

Это любительская сборка. Если ваша версия llama.cpp не поддерживает такой формат квантизации или модель не запускается — напишите в обсуждения репозитория, постараемся помочь.
По всем вопросам обращайтесь туда же.
Открыт к совместным экспериментам, дообучению и любым идеям — если есть что предложить, не стесняйтесь.